python函数-迭代器&生成器
一、迭代器
1 可迭代协议
- 迭代：就是类似for循环，将某个数据集内的数据可以“一个挨着一个取出来”
- 可迭代协议：
① 协议内容：内部实现__iter__方法
② 验证方法：dir()方法。通过dir()方法查看是否含有__iter__方法
③ __iter__方法的作用：可迭代的数据类型执行__iter__方法后会生成一个迭代器对象
print([1,2].__iter__()) 结果
<list_iterator object at 0x1024784a8>
2 迭代器协议
1 引出
'''
dir([1,2].__iter__())是列表迭代器中实现的所有方法，dir([1,2])是列表中实现的所有方法,都是以列表的形式返回给我们的，为了看的更清楚，我们分别把他们转换成集合，
然后取差集。
'''
#实现的所有方法
print(dir([1,2].__iter__()))
print(dir([1,2]))
#取差集
print(set(dir([1,2].__iter__()))-set(dir([1,2]))) 结果：
{'__length_hint__', '__next__', '__setstate__'}
我们看到在列表迭代器中多了三个方法，那么这三个方法都分别做了什么事呢？
iter_l = [1,2,3,4,5,6].__iter__()
#获取迭代器中元素的长度
print(iter_l.__length_hint__())
#根据索引值指定从哪里开始迭代
print('*',iter_l.__setstate__(4))
#一个一个的取值
print('**',iter_l.__next__())
print('***',iter_l.__next__())
在这三个方法中，能让我们一个一个取值的神奇方法是谁？？？答案就是__next__
在for循环中，就是在内部调用了__next__方法才能取到一个一个的值。那接下来我们就用迭代器的 next方法来写一个不依赖for的遍历。
l = [1,2,3,4]
l_iter = l.__iter__()
item = l_iter.__next__()
print(item)
item = l_iter.__next__()
print(item)
item = l_iter.__next__()
print(item)
item = l_iter.__next__()
print(item)
item = l_iter.__next__()
print(item)
这是一段会报错的代码，如果我们一直取next取到迭代器里已经没有元素了，就会抛出一个异常 StopIteration，告诉我们，列表中已经没有有效的元素了。这个时候，我们就要使用异常处理机制来把这个异常处理掉。
l = [1,2,3,4]
l_iter = l.__iter__()
while True:
try:
item = l_iter.__next__()
print(item)
except StopIteration:
break
迭代器遵循迭代器协议：必须拥有__iter__方法和__next__方法。
注意： range()
print('__next__' in dir(range(12))) #查看'__next__'是不是在range()方法执行之后内部是否有__next__
print('__iter__' in dir(range(12))) #查看'__next__'是不是在range()方法执行之后内部是否有__next__
from collections import Iterator
print(isinstance(range(100000000),Iterator)) #验证range执行之后得到的结果不是一个迭代器
range()是一个可迭代的，不是一个迭代器
二、生成器
我们知道的迭代器有两种：一种是调用方法直接返回的，一种是可迭代对象通过执行iter方法得到的，迭代器有的好处是可以节省内存。
如果在某些情况下，我们也需要节省内存,就只能自己写。我们自己写的这个能实现迭代器功能的东西就叫生成器。
1.初识生成器
Python中提供的生成器：
- 生成器函数：常规的函数定义，但是，使用yield语句而不是return语句返回结果。yield语句一次返回一个结果，在每个结果中间，挂起函数的状态，以便下次从他离开的地方继续执行。
- 生成器表达式：类似于列表推导，但是，生成器返回按需生产结果的一个对象，而不是一次构建一个结果列表
生成器的本质：
本质：迭代器（就是自带了__iter__方法和__next__方法，不需要我们去实现）
特点：惰性运算，开发者自定义
2.生成器函数
一个含有yield关键字的函数就是一个生成器函数。yield可以为我们从函数中返回值，但是yield又不同于return，return的执行意味着程序的结束，调用生成器函数不会得到返回的具体的值，而是得到一个可迭代的对象。每一次获取这个可迭代对象的值，就能推动函数的执行，获取新的返回值。直到函数执行结束。
import time
def genrator_fun1():
a =
print('现在定义了a变量')
yield a
b =
print('现在又定义了b变量')
yield b g1 = genrator_fun1()
print('g1 : ',g1) #打印g1可以发现g1就是一个生成器
print('-'*) #我是华丽的分割线
print(next(g1))
time.sleep() #sleep一秒看清执行过程
print(next(g1))
初识生成器
生成器有什么好处呢？就是不会一下子在内存中生成太多数据
假如我想让工厂给学生做校服，生产2000000件衣服，我和工厂一说，工厂应该是先答应下来，然后再去生产，我可以一件一件的要，也可以根据学生一批一批的找工厂拿。
而不能是一说要生产2000000件衣服，工厂就先去做生产2000000件衣服，等回来做好了，学生都毕业了。。。
#初识生成器二 def produce():
"""生产衣服"""
for i in range():
yield "生产了第%s件衣服"%i product_g = produce()
print(product_g.__next__()) #要一件衣服
print(product_g.__next__()) #再要一件衣服
print(product_g.__next__()) #再要一件衣服
num =
for i in product_g: #要一批衣服，比如5件
print(i)
num +=
if num == :
break #到这里我们找工厂拿了8件衣服，我一共让我的生产函数(也就是produce生成器函数)生产2000000件衣服。
#剩下的还有很多衣服，我们可以一直拿，也可以放着等想拿的时候再拿
初识生成器二
import time def tail(filename):
f = open(filename)
f.seek(, ) #从文件末尾算起
while True:
line = f.readline() # 读取文件中新的文本行
if not line:
time.sleep(0.1)
continue
yield line tail_g = tail('tmp')
for line in tail_g:
print(line)
生成器监听文件输入的例子
send
def generator():
print(123)
content = yield 1
print('=======',content)
print(456)
yield2 g = generator()
ret = g.__next__()
print('***',ret)
ret = g.send('hello') #send的效果和next一样
print('***',ret) #send 获取下一个值的效果和next基本一致
#只是在获取下一个值的时候，给上一yield的位置传递一个数据
#使用send的注意事项
# 第一次使用生成器的时候 是用next获取下一个值
# 最后一个yield不能接受外部的值
def averager():
total = 0.0
count =
average = None
while True:
term = yield average
total += term
count +=
average = total/count g_avg = averager()
next(g_avg)
print(g_avg.send())
print(g_avg.send())
print(g_avg.send())
计算移动平均值
def init(func): #在调用被装饰生成器函数的时候首先用next激活生成器
def inner(*args,**kwargs):
g = func(*args,**kwargs)
next(g)
return g
return inner @init
def averager():
total = 0.0
count =
average = None
while True:
term = yield average
total += term
count +=
average = total/count g_avg = averager()
# next(g_avg) 在装饰器中执行了next方法
print(g_avg.send())
print(g_avg.send())
print(g_avg.send())
计算移动平均值(2)_预激协程的装饰器
- yield from
def gen1():
for c in 'AB':
yield c
for i in range():
yield i print(list(gen1())) def gen2():
yield from 'AB'
yield from range() print(list(gen2()))
yield from
三、列表推导式和生成器表达式
引出：
egg_list=['鸡蛋%s' %i for i in range(10)] #列表解析
print(egg_list) >>>
['鸡蛋0', '鸡蛋1', '鸡蛋2', '鸡蛋3', '鸡蛋4', '鸡蛋5', '鸡蛋6', '鸡蛋7', '鸡蛋8', '鸡蛋9']
#峰哥瞅着alex下的一筐鸡蛋,捂住了鼻子,说了句:哥,你还是给我只母鸡吧,我自己回家下 laomuji=('鸡蛋%s' %i for i in range(10))#生成器表达式
print(laomuji)
print(next(laomuji)) #next本质就是调用__next__
print(laomuji.__next__())
print(next(laomuji)) >>>
<generator object <genexpr> at 0x0000000001E00DB0>
鸡蛋0
鸡蛋1
鸡蛋2
总结：
1.把列表解析的 [ ] 换成( )得到的就是生成器表达式
2.列表解析与生成器表达式都是一种便利的编程方式，只不过生成器表达式更节省内存
3.Python不但使用迭代器协议，让for循环变得更加通用。大部分内置函数，也是使用迭代器协议访问对象的。例如， sum函数是Python的内置函数，该函数使用迭代器协议访问对象，而生成器实现了迭代器协议，所以，我们可以直接这样计算一系列值的和：
sum(x ** 2 for x in range(4))
而不用多此一举的先构造一个列表：
sum([x ** 2 for x in range(4)])
更多精彩请见——迭代器生成器专题：http://www.cnblogs.com/a438842265/p/8551306.html